不协调广义决策多尺度序信息系统的最优尺度选择与规则提取

粒计算模拟人类思考问题的模式,在大数据挖掘和知识发现方面有独特优势。针对不协调的广义决策多尺度序信息系统的知识获取问题,利用证据理论来研究不协调的广义决策多尺度序信息系统的最优尺度选择与规则提取。首先,将优势关系引入决策多尺度信息系统中,并介绍广义决策多尺度序信息系统的相关概念;其次,通过引入不协调广义决策多尺度序信息系统的尺度组合概念,给出不同尺度组合下信息粒和集合的下近似与上近似的表示及其相互关系,并进一步定义了几种针对不同决策的不协调广义决策多尺度序信息系统的最优尺度组合概念,讨论了它们之间的关系;最后,给出了基于广义优势决策函数的辨识矩阵属性约简与规则提取方法。     

不协调广义多尺度决策系统的尺度组合

针对不协调广义多尺度决策系统的知识获取问题,首先回顾广义多尺度信息系统中尺度组合的概念,给出在不同尺度组合下信息粒的表示及其相互关系.然后进一步定义在不同尺度组合下集合的下、上近似概念,给出近似集的性质.最后讨论不协调广义多尺度决策系统中的最优尺度组合的选择,并使用证据理论中的信任函数和似然函数刻画不协调广义多尺度决策系统中的最优尺度组合特征.     

不协调广义多尺度决策系统的局部最优尺度组合选择

针对不协调广义多尺度决策系统中每个对象事例的知识获取问题,文中提出局部最优尺度组合概念.首先,介绍广义多尺度决策系统中的尺度组合概念,给出在不同尺度组合下信息粒的表示及其相互关系.然后,在广义多尺度决策系统中,介绍不同尺度组合下集合的下近似与上近似概念及性质.最后,在不协调广义多尺度决策系统中定义7种局部最优尺度组合的概念,给出它们之间的相互关系,证明实际上只有5种不同的局部最优尺度组合概念.     

序粒度标记结构及其粗糙近似

粒计算是知识表示和数据挖掘的一个重要方法.它模拟人类思考模式,以粒为基本计算单位,以处理大规模复杂数据和信息等建立有效的计算模型为目标.针对具有多粒度标记的序信息系统的知识获取问题,提出了基于序粒度标记结构的粗糙近似.首先,介绍了序标记结构的概念,并在序标记结构的对象集中定义了一个优势关系,同时给出了由优势关系导出的优势标记块,并进一步定义了基于优势关系的集合的序下近似与序上近似和序标记下近似与序标记上近似的概念,给出了近似算子的一些性质.证明了由序标记结构导出的集合的下近似质量与上近似质量是一对对偶的必然性测度与可能性测度.最后,定义了多粒度序标记结构的概念,并讨论了多粒度序标记结构中不同粒度下近似集之间的关系.     

对象更新环境下的多粒度决策系统的最优粒度选择

多粒度决策系统是一类重要的关系数据库,最优粒度选择是研究多粒度决策系统的主要目的之一。讨论了对象更新环境下的多粒度决策系统的最优粒度选择。首先,介绍了多粒度信息系统和多粒度决策系统;然后,引入了广义决策函数,并利用此函数定义多粒度决策系统的协调性和最优粒度;最后,讨论了对象更新环境下不同协调性的多粒度决策系统的最优粒度的变化规律。     

协调广义决策多尺度序信息系统的知识获取

决策多尺度信息系统是一类特殊的数据集,系统中的每个对象无论在条件属性集上还是在决策属性上都可取多个尺度的标记值,并且从细粒度标记属性值到粗粒度标记属性值有一个信息粒度变换.文中针对广义决策多尺度序信息系统的知识获取问题展开研究.首先,引入尺度选择概念,一个尺度选择对应一个单尺度的序决策系统,并将优势关系引入广义决策多尺度信息系统,给出在不同尺度选择下对象集的优势类和集合的下近似和上近似的定义及其性质.然后,在协调广义决策多尺度序信息系统中定义5种最优尺度选择的概念,证明实际上只有2种不同类型的最优尺度选择,即最优尺度选择、下近似最优尺度选择、信任最优尺度选择是等价的,而上近似最优尺度选择与似然最优尺度也是等价的.最后,给出协调广义决策多尺度序信息系统的辨识矩阵约简方法,并在最优尺度选择基础上给出蕴含在协调广义决策多尺度序信息系统中的序决策规则.     

多粒度决策系统属性约简的最优粒度选择

粒计算理论从多个角度、多个不同的粒度层次出发,对不确定、不精确或复杂的问题进行求解,现已成为人工智能领域研究的一种重要方法。针对决策系统属性约简与高效决策的粒度选择问题,分析了多粒度决策系统中信息粒与粒度划分的概念,定义了粒化度量和粒结构关于对象的粒化粗糙度,能够准确地反映决策系统中不同粒结构下的知识粒度大小。为弥补传统决策系统约简往往只考虑基于论域属性约简的缺陷,讨论了基于对象的局部约简方法,提出了基于论域和对象的决策系统最优粒度选择约简算法,并结合实例验证了该算法的有效性。     

面向属性（对象）多粒度概念格之间的关系

受粗糙集中多粒度标记信息系统研究的启发,对于多粒度标记的形式背景,不同粒度标记下形成的概念格之间存在着一些联系,这在形式概念分析理论中属于热点研究问题。为了研究不同粒度标记下形成的概念格之间的关系,首先讨论了不同粒度标记下的生成的极值算子之间的关系;其次通过极值算子之间的关系,对不同粒度标记下形成的面向对象的概念格之间的关系进行了研究;再利用面向属性的概念格和面向对象的概念格之间的互补关系,对不同粒度标记下形成的面向属性的概念格之间的关系进行了研究,实现了在已知细粒度标记下的形式背景、粗粒度标记下的形式背景,通过细粒度标记下的知识推断出粗粒度标记下的知识;最后在此基础上提出了相应的概念格生成的方法。     

基于多粒度粗糙直觉犹豫模糊集的最优粒度选择方法

为了对含有多属性的直觉犹豫模糊决策信息系统进行约简,获取最优粒度,运用多粒度粗糙集处理直觉犹豫模糊决策信息系统中的不确定信息,并对多粒度粗糙直觉犹豫模糊集的最优粒度选择方法进行了研究.首先,在直觉犹豫模糊集的基础上引入属性信息,给出粗糙直觉犹豫模糊集的概念,提出乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种模型,且研讨了它们的性质.其次,主要定义了基于悲观多粒度粗糙直觉犹豫模糊集下近似的粒度质量相似度和内、外粒度重要度的计算公式,设计了其最优粒度选择算法.最后,通过葡萄酒测评的案例,分别基于乐观、悲观多粒度粗糙直觉犹豫模糊集的下、上近似这4种情况,计算出最优粒度并进行了分析,验证了该算法在直觉犹豫模糊决策信息系统中的约简是有效的.     

属性集变化条件下集值决策信息系统的增量属性约简方法

为了解决集值决策信息系统中的属性数量不断发生动态变化时,静态属性约简方法无法高效更新属性约简的问题,提出一种以知识粒度为启发信息的增量式属性约简方法.首先,介绍集值决策信息系统的相关概念,接着介绍知识粒度的定义并将其矩阵表示方法推广到此系统中;然后,分析增量式约简的更新机制,并基于知识粒度设计了增量式属性约简方法;最后...     

Consensus reaching for group decision making with multi-granular unbalanced linguistic information: A bounded confidence and minimum adjustment-based approach

In group decision making problems, there exist the situations that decision makers may use unbalanced linguistic term sets that are not uniformly and symmetrically distributed to provide their linguistic assessments over alternatives. Moreover, due to the difference in knowledge and culture backgrounds, it is also possible that multi-granular linguistic term sets may also be used by decision makers. How to manage multi-granular unbalanced linguistic information in consensus-based group decision making has becoming an important topic in linguistic decision making. In this paper, we first revise Herrera’s unbalanced linguistic term sets and propose a simplified linguistic computational model to fuse multi-granular unbalanced linguistic terms. Afterwards, for multi-criteria group decision making problems with multi-granular unbalanced linguistic information, we develop two optimization models to generate adjustment advice for decision makers who have to change his/her opinions in consensus reaching process, which consider both the bounded confidence levels and minimum adjustment of decision makers’ linguistic assessments. Moreover, an algorithm is further proposed to help decision makers reach consensus in group decision making. Eventually, an application example for ERP system supplier selection and some simulation results are presented to illustrate and justify the consensus reaching algorithm.     

Probabilistic linguistic vector-term set and its application in group decision making with multi-granular linguistic information

With the rapid information explosion and sharing, recommender systems (RS) play an auxiliary role in assisting the Internet users to make decision especially in the e-service platform. Normally, the information in this process is related to opinions and preferences, which are usually expressed through a qualitative way such as linguistic evaluation terms (LETs). However, the LETs may come from different sources such as experts, users, etc., which makes the linguistic evaluation scales (LESs) used in this process probably be different due to their different backgrounds and levels of knowledge. The diversity and flexibility of these LESs determine the quality of information, and further affect the effectiveness of a RS. In this paper, we focus on improving the accuracy of the multi-granular linguistic recommender system by supporting customers to find out the most eligible items according their own preferences. We first propose the probabilistic linguistic vector-term sets (PLVTSs) to promote the application of multi-granular linguistic information. Based on the PLVTSs, we then develop a novel algorithm to tackle multi-attribute group decision making (MAGDM) problems with multiple LESs. Furthermore, the effectiveness of the PLVTSs is validated by an illustration of personalized hospital selection-recommender problem. Finally, we point out some possible research directions regrading to the PLVTSs.     

不协调目标信息系统的知识约简

在不协调目标信息系统中引入了最大分布约简的概念，讨论了最大分布约简、分配约简、分布约简和近拟约简之间的关系。最大分布 间弱于分布约简，克服了对信息系统过于苛刻的要求。同时，它又克服了分配约简可能产生与原系统不相容的命题规则的缺陷；给出了这些知识约简的判定定理和相应的可辨识属性矩阵，从而提供了不协调目标信息系统的知识约简的新方法。     

A multi-granular linguistic model for management decision-making in performance appraisal

The performance appraisal is a relevant process to keep and improve the competitiveness of companies in nowadays. In spite of this relevance, the current performance appraisal models are not sufficiently well-defined either designed for the evaluation framework in which they are defined. This paper proposes a performance appraisal model where the assessments are modelled by means of linguistic information provided by different sets of reviewers in order to manage the uncertainty and subjectivity of such assessments. Therefore, the reviewers could express their assessments in different linguistic scales according to their knowledge about the evaluated employees, defining a multi-granular linguistic evaluation framework. Additionally, the proposed model will manage the multi-granular linguistic labels provided by appraisers in order to compute collective assessments about the employees that will be used by the management team to make the final decision about them.     

广义多尺度决策系统中基于可变精度的最优尺度组合

针对广义多尺度决策系统的知识表示与知识获取问题,讨论广义多尺度决策系统中基于对偶概率粗糙集模型的最优尺度组合选择问题.定义广义多尺度决策系统中β下近似最优尺度组合、 β上近似最优尺度组合、 β信任分布最优尺度组合与β似然分布最优尺度组合概念,分析不同最优尺度组合之间的关系与特征,证明当β在特殊的阈值范围内时, β下近似最优尺度组合与最大分布最优尺度组合等价,而β上近似最优尺度组合与广义决策最优尺度组合等价.     

基于有向关联信息的知识约简

关联信息是度量两个定性变量之间非线性关系的一个统计量。论文定义了信息系统以及目标信息系统属性之间的有向关联信息,用来度量信息系统以及目标信息系统属性之间的关联程度,基于此给出信息系统以及目标信息系统的知识约简一种新的判定定理。最后以信息系统以及不协调目标信息系统知识约简的实例证明这种知识约简是简单有效的。     

集值决策信息系统的知识约简与属性特征

本文定义了集值决策信息系统中的一种新的关系,给出了在这种关系下协调集值决策信息系统属性约简的判定定理和辨识矩阵,从而得到了知识约简的具体操作方法,并讨论了在属性约简中起不同作用的属性分类及其特征。定义了不协调集值决策信息系统的分配协调集,给出了一种将不协调集值决策信息系统转化为广义协调近似空间的方法,并证明了不协调集值决策信息系统的分配协调集就是广义协调近似表示空间的协调集。     

Approaches to knowledge reduction of covering decision systems based on information theory

In this paper, we propose some new approaches for attribute reduction in covering decision systems from the viewpoint of information theory. Firstly, we introduce information entropy and conditional entropy of the covering and define attribute reduction by means of conditional entropy in consistent covering decision systems. Secondly, in inconsistent covering decision systems, the limitary conditional entropy of the covering is proposed and attribute reductions are defined. And finally, by the significance of the covering, some algorithms are designed to compute all the reducts of consistent and inconsistent covering decision systems. We prove that their computational complexity are polynomial. Numerical tests show that the proposed attribute reductions accomplish better classification performance than those of traditional rough sets. In addition, in traditional rough set theory, MIBARK-algorithm [G.Y. Wang, H. Hu, D. Yang, Decision table reduction based on conditional information entropy, Chinese J. Comput., 25 (2002) 1-8] cannot ensure the reduct is the minimal attribute subset which keeps the decision rule invariant in inconsistent decision systems. Here, we solve this problem in inconsistent covering decision systems.